Результат интеллектуальной деятельности: Способ обнаружения и классификации электрического разряда на электрооборудовании

Изобретение относится к электроэнергетике и может быть использовано для дистанционного контроля различных видов высоковольтного оборудования в сфере электроэнергетики.

Известны способ и система измерения электрического разряда, характеризующегося величиной разрядного тока, основанные на обнаружении соответствующего оптического излучения [1]. Способ включает в себя сохранение заданных калибровочных данных, содержащих опорные количественные показатели, связанные с величинами электрических разрядов и соответствующими им параметрами детектора, получение и обработку конкретного параметра детектора с помощью калибровочных данных, обнаружение электрического разряда и определение количественного показателя, связанного с величиной обнаруженного электрического разряда. При этом параметры детектора представляют собой рабочие параметры, связанные с оптическим детектором.

К недостаткам данного метода можно отнести то, что данный метод требует нахождения в области прямой видимости всех элементов конструкции объекта мониторинга, как следствие, возникает необходимость постоянно перемещать приемник с целью мониторинга всех возможных мест возникновения разряда, или увеличивать число приемников, а также то, что имеется высокая вероятность ложных срабатываний во время грозовых явлений в атмосфере или при прямой засветке матрицы приемника солнечным светом.

Известен способ обнаружения, основанный на обнаружении ультразвуковых сигналов, возникающих при электрическом разряде. Данный способ неоднократно подвергался улучшению, один из наиболее совершенных вариантов описан в [2].

Недостаток этого способа заключается в относительно низкой дальности обнаружения разрядов, а также необходимость нахождения разряда в области прямой видимости.

Известен способ диагностики и локации дефектов в изоляции линий электропередачи, с использованием беспилотного летательного аппарата, включающий в себя измерение напряженности поля для автоматического поддержания вертикального расположения летательного аппарата относительно линий электропередач, и записи измеряемой информации совместно с координатами, получаемыми при помощи GPS- или ГЛОНАСС-навигаторов. Данный способ описан в [3]. К недостаткам данного способа можно отнести сложность организации непрерывного мониторинга ЛЭП и невозможность мониторинга при неблагоприятных погодных условиях.

Известен способ определения наличия источников электроразрядной активности в изоляции электротехнического оборудования, описанный в [4]. К недостаткам данного способа можно отнести то, что его применение принципиально возможно только на электроустановках, имеющих одинаковый уровень минимального электромагнитного излучения, что исключает его использование в случае протяженных объектов, а также то, что в данном способе не предусмотрена возможность распознания вида разряда.

Известна система мониторинга системы доставки электроэнергии посредством получения высокочастотных измерений электрической системы и отображения информации о событии, которая описана в [5]. К недостаткам данного метода можно отнести необходимость непосредственного размещения средств измерения на линиях электропередач, также в системе не предусмотрена возможность мониторинга иных видов электрооборудования, кроме линий электропередач.

Известен способ определения неисправности трансформатора на основе алгоритма нейронной сети, описанный в [6]. К недостаткам данного способа можно отнести невозможность мониторинга иных видов электрооборудования, кроме трансформаторов.

Известна система и способ управления устройствами контроля и мониторинга, описанный в [7]. В данном программно-определяемая радиосистема используется для связи с широкой номенклатурой устройств контроля и мониторинга. Недостатком данного метода является необходимость в дополнительных датчиках мониторинга, так как программно-определяемая радиосистема используется только для связи со сторонними датчиками, а не для непосредственного получения информации об электрических разрядах.

Известен также способ и устройство для определения появления электрической дуги на, по меньшей мере, одном электрическом кабеле, который описан в [8]. В данном изобретении используется блок сбора данных, который подключен линией связи к кабелю, на котором ведется мониторинг, блок обработки информации, основанный на преобразовании информации в цифровую форму данных, дальнейшей фильтрации и векторном анализе, который отделяет полученные данные, соответствующие электрической дуге, от всех остальных, таким образом выполняя задачу выявления электрической дуги, воспринимая прочие проявления электроразрядной активности как помехи.

Этот способ выбран в качестве прототипа предложенного решения. К недостаткам данного метода можно отнести:

1) метод не является дистанционным, что требует проведений измерения непосредственно на исследуемом кабеле;

2) метод не позволяет получать информацию о частичных и коронных разрядах.

Технический результат предполагаемого изобретения заключается в создании способа обнаружения и классификации электрического разряда на электрооборудовании, обладающий возможностью дистанционного мониторинга и возможностью выявлять частичные и коронные разряды.

Указанный технический результат достигается тем, что в способе применяется мониторинг электрооборудования при помощи датчика на основе программно-определяемой радиосистемы, помехозащищенность и возможность определять разные виды разрядов которого обеспечивается, с одной стороны, возможностью выбора частоты мониторинга в широком диапазоне, с другой стороны, обработкой данных и управлением процессом радиоприема при помощи предварительно обученной искусственной нейронной сети.

На фиг. 1 изображена схема реализации способа обнаружения и классификации электрического разряда на электрооборудовании, содержащая приемную антенну (1), программно-определяемую радиосистему (2),-блок цифровой обработки и фильтрации (3), предварительно обученную нейронную сеть и систему управления (5).

Для реализации данного способа осуществляется непрерывный прием радиоволнового излучения, при помощи антенны (1) и программно-определяемой радиосистемы (2), с дискретизацией и фильтрацией в блоке цифровой обработки и фильтрации (3), позволяющий сохранить форму огибающей с приемлемой для дальнейшего анализа точностью.

Распознавание аномалий, соответствующих тем или иным видам разрядов или признаков того, что данная частота активно используется в каких-либо целях и не пригодна для работы датчика, проводится предварительно обученной искусственной нейронной сетью (4), значения непригодных для работы датчика частот фиксируются системой управления (5). Система управления определяет параметры работы программно-определяемой радиосистемы, параметры работы искусственной нейронной сети, блока цифровой обработки и фильтрации и выдает полученный результат работы датчика (6).

Способ реализуется следующим образом. При возникновении электрического разряда возникает электромагнитное излучение в радиоволновом диапазоне, в том числе в метровом и дециметровом диапазонах радиоволн. В выбранном диапазоне осуществляется непрерывный прием радиоволнового излучения с последующей дискретизацией, позволяющий сохранить форму огибающей с приемлемой для дальнейшего анализа точностью. Текущая частота радиоприема задается системой управления, и, благодаря архитектуре программно-определяемой радиосистемы (подробно описанной в [9], пример конкретной реализации приведен в [10]), может изменяться в широком диапазоне. Существенным фактором является выбор частот, на которых ведется радиоприем. Способом предусмотрено предварительное исключение из рабочего диапазона активно используемых в коммерческих или любых других целях частот (например, диапазона частот сотовой связи GSM 900 МГц или широко используемого диапазона 433 МГц, частот, используемых для телевизионного вещания), а также динамическое исключение частот в ходе распознавания предварительно обученной искусственной нейронной сетью (4) элементов радиопередачи на данной частоте, не относящейся к радиопомехам, возникающим при том или ином виде разряда. Такие частоты могут исключаться из рабочего диапазона, и псевдослучайная частота радиоприема, выдаваемая системой управления, не будет попадать в диапазоны, содержащие типовые помехи. Таким образом достигается возможность дистанционного мониторинга различных видов электрооборудования.

Полученные данные, после цифровой фильтрации, преобразуются в последовательность отсчетов (во временной и/или спектральной областях), которая поступает на вход предварительно обученной искусственной нейронной сети.

Основной задачей искусственной нейронной сети является поиск аномалий, соответствующих тому или иному виду разряда или признаков того, что данная частота активно используется в каких-либо целях и не пригодна для работы датчика. Выявление и классификация разрядов производится методом распознавания шаблонов, характерных для формы огибающей принятого сигнала в случае наличия разряда изучаемого типа. При выявлении неудовлетворительной точности детектирования возможно дополнительное обучение данной нейронной сети. Типовые шаблоны для разных типов разряда приведены в [8, 9].

Искусственная нейронная сеть требует предварительного обучения. Обучающая выборка формируется следующим образом. Исходная последовательность отсчетов разделяется скользящим окном на фрагменты фиксированной длины. Каждый фрагмент размечается вручную на предмет наличия/отсутствия в нем искомой аномалии.

На множестве полученных фрагментов обучается модель автоматического кодировщика, с помощью которого каждый фрагмент преобразуется в вектор в евклидовом пространстве признаков существенно меньшего размера относительно длины исходного фрагмента [13, 14]. Обучение модели происходит методом обучения без учителя [13, 15]. При этом векторы в пространстве признаков, соответствующие фрагментам, содержащим искомую аномалию, близки в смысле метрики пространства признаков [13].

На множестве полученных векторов в пространстве признаков обучается модель автоматического классификатора на основе евклидовой меры подобия, обучение происходит методом обучения с учителем [16].

Таким образом, фрагменты исходной последовательности отсчетов оказываются разделены в пространстве признаков на классы по принципу наличия/отсутствия в них искомой аномалии.

Во время мониторинга наблюдаемая последовательность отсчетов разбивается на фрагменты скользящим окном, и полученные фрагменты с помощью модели автоматического кодировщика преобразуются в пространство признаков, в котором модель автоматического классификатора принимает решение о наличии/отсутствии в каждом фрагменте искомой аномалии.

Результат распознавания в случае выявлений аномалий, соответствующих тому или иному виду разряда, является конечным результатом применения способа.

Таким образом, использование программно-определяемой радиосистемы и предварительно обученной искусственной нейронной сети позволяет обеспечить возможность классификации обнаруженных разрядов.

Принципиальная возможность использования предварительно обученной искусственной нейронной сети в электроэнергетике показана в [17].

Новизна заявленного технического решения заключается в использовании программно-определяемой радиосистемы в связке с искусственной нейронной сетью.

Использование программно-определяемой радиосистемы в связке с предварительно обученной искусственной нейронной сетью позволяет обеспечить возможность дистанционной работы, и классификации обнаруженных разрядов, а также обеспечить применимость способа для разных видов электрооборудования.

Список литературы

1. Патент РФ №RU 2661976.

2. Патент РФ №RU 2569415.

3. Патент РФ №RU 2483314.

4. Патент РФ №RU 2655960.

5. Патент WO 2017066476.

6. Патент КНР №CN 0105425076.

7. Патент США №US 7769915.

8. Патент РФ №RU 2484487.

9. Основы программно-конфигурируемого радио, Галкин В.А., Москва, 2015, ISBN 978-5-9912-0305-0

10. Rafael Microelectronics, R820T High Performance Low Power Advanced Digital TV Silicon Tuner Datasheet Suite

11. Исследование влияния короны в электропередачах на качество электроэнергии по n-й гармонической составляющей тока и напряжения ШАРОВЮ. В., НАСЫРОВР. Р., ОЛЕКСЮК Б.В., СИМУТКИН М.Г., ТУЛЬСКИЙ В.Н., ШАМОНОВР. Г., «Электричество», №6/2013.

12. Измерение частичных разрядов в изоляции высоковольтного оборудования, Русов В.А, 2011, Екатеринбург,ISBN№978-5-94614-177-2.

13. Hinton G. Е., Salakhutdinov R. R. Reducing the dimensionality of data with neural networks // science. - 2006. - T. 313. - №. 5786. - C. 504-507.

14. Abid A., Zou J. Y. Learning a Warping Distance from Unlabeled Time Series Using Sequence Autoencoders // Advances in Neural Information Processing Systems. - 2018. - C. 10547-10555.

15. Pereira J., Silveira M. Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoders with Attention // 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). - IEEE, 2018. - C. 1275-1282.

16. Piatt J. Fast training of SVMs using sequential minimal optimization, advances in kernel methods-support vector learning. - 1999.

17. Патент РФ №RU 2668336.